☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
AI赋能材料设计：微软MatterGen革新材料发现
材料创新是科技进步的基石。从上世纪八十年代锂钴氧化物的发现到如今的锂离子电池技术，材料科学的每一次飞跃都深刻地改变着我们的生活。然而，传统的材料研发依赖耗时费力的实验试错，而计算筛选方法虽然提高了效率，却受限于已知材料库的规模。
微软研究院AI for Science团队开发的MatterGen，一种基于生成式AI的材料设计工具，为这一难题提供了新的解决方案。MatterGen能够根据特定需求直接生成新材料，显著提升材料发现效率。这项研究成果以“A generative model for inorganic materials design”为题，发表于2025年1月16日的《Nature》杂志。
突破传统材料设计瓶颈
碳捕获、半导体设计和能源存储等领域的创新，都严重依赖材料设计的速度。传统的实验和经验法，导致可测试材料数量有限，研发周期漫长。
尽管高通量筛选和机器学习力场等技术能够筛选数十万种材料，但其仍然受限于已知材料的范围。现有最大规模的探索仅涵盖数百万种材料，而这仅仅是潜在稳定无机化合物的一小部分。此外，这些方法难以高效地针对特定属性进行优化。
逆向材料设计应运而生，旨在直接生成满足目标属性的材料结构。然而，现有生成模型在生成稳定材料、覆盖元素范围以及优化多种属性方面仍有不足。
图示：材料设计的筛选和生成方法对比。（来源：论文）
MatterGen：基于扩散模型的创新设计
MatterGen采用基于扩散模型的生成方法，专门用于设计跨越元素周期表的晶体材料。该模型通过逆转添加噪声的过程生成样本，并针对晶体材料的周期性和对称性进行了定制化设计。MatterGen逐步细化原子类型、坐标和周期性晶格来生成晶体结构。
MatterGen定义了原子类型、坐标和晶格的噪声过程，并通过学习一个得分网络来逆转这一过程。得分网络输出原子类型、坐标和晶格的等变得分，无需从数据中学习对称性，从而能够生成稳定且多样的无机材料。
图示：MatterGen的工作原理。（来源：论文）
适配器模块与无分类器引导技术
为了设计满足目标属性约束的材料，MatterGen引入了适配器模块，用于在带有属性标签的数据集上微调得分模型。适配器模块是可调组件，能够根据给定的属性标签调整模型输出。微调后的模型结合无分类器引导技术，能够生成满足目标化学组成、对称性或标量属性（如磁密度）约束的材料。
MatterGen的条件生成能力使其能够解决多种逆向设计问题，例如生成具有目标化学组成、对称性或机械、电子和磁属性的稳定新材料。
图示：MatterGen与其他方法的性能比较。（来源：论文）
实验验证与实际应用
研究团队进行了多项实验验证MatterGen的性能。生成的晶体结构在密度泛函理论（DFT）计算中表现出高稳定性，78%的结构能量低于0.1 eV/atom的阈值。生成结构与DFT松弛结构的均方根偏差低于0.076 Å，表明这些结构非常接近DFT局部能量最小值。在多样性和新颖性方面，MatterGen生成的结构中有61%是新颖的，且在大规模生成时仍能保持较高的多样性。
与现有生成模型相比，MatterGen生成的稳定、独特且新颖材料的比例提高了两倍以上，且生成的结构更接近其局部能量最小值。
研究团队与深圳先进技术研究院合作，成功合成了MatterGen生成的TaCr2O6材料。实验结果表明，合成材料的结构与生成的结构高度一致，其体积模量的实验测量值与设计目标的相对误差低于20%。这验证了MatterGen的生成能力及其在实际应用中的潜力。
MatterGen在处理成分无序方面也表现出色，通过新的结构匹配算法，提高了生成的准确性和新颖性。
图示：TaCr2O6材料的实验验证。（来源：论文）
总结与展望
MatterGen的出现标志着材料设计领域的一项重大突破。它能够生成稳定、多样且满足多种属性约束的无机材料。实验结果表明，MatterGen在生成稳定性和多样性方面显著优于现有方法，并能够通过微调满足广泛的属性约束。
尽管MatterGen仍存在一些局限性，例如在生成较大晶体时倾向于生成对称性较低的结构，但其在未来几年内有望彻底改变材料设计的方式。未来的研究将致力于优化去噪过程、扩展训练数据集，并探索更广泛的材料类别。
论文链接：https://www.php.cn/link/29ec8066dea8748449b852688c46ee5a
相关报道：https://www.php.cn/link/0422e8355e7a19bcd12e88813692f0e0
代码链接：https://www.php.cn/link/29ec8066dea8748449b852688c46ee5a
